Superkonputazioaren aurrerapenak: sare optiko neuromorfikoak erabiltzea

Azken hamarkadetan, garai batean joera ezaguna eta zehatza, Moore-ren legea, 1965ean IBMko Gordon Moore-k iragarria, gaur egun informatika-errendimenduaren neurri desagertua bihurtzen ari da. Moore-ren Legeak bi urtean behin zirkuitu integratu bateko transistore kopurua bikoiztu egingo zela aurreikusten zuen, espazio kopuru berean transistore gehiago egongo zirela, konputazioa eta, beraz, ordenagailuaren errendimendua areagotuko zela. 2005eko apirilean, elkarrizketa batean, Gordon Moorek berak adierazi zuen bere proiekzioa ez zela seguruenik jasangarria izango: «[transistoreen] tamainari dagokionez, oinarrizko oztopoa den atomoen tamainara hurbiltzen ari garela ikus daiteke, baina bizpahiru belaunaldi igaroko dira horretara iritsi arte, baina hori inoiz ikusi ahal izan dugun bezain urrun dago. Beste 10-20 urte falta dira oinarrizko muga batera iristeko».   

Moore-ren legea muturreraino jotzera kondenatuta dagoen arren, informatikaren beste adierazle batzuk aplikagarritasuna areagotzen ari dira. Gure eguneroko bizitzan erabiltzen dugun teknologiarekin, denok ikus dezakegu ordenagailuen gero eta txikiagoak diren joerak, baina baita gailuen bateriak gero eta gehiago irauten duela ere. Baterien azken joerari Koomey-ren legea deitzen zaio, Stanford Unibertsitateko Jonathan Koomey irakaslearen omenez. Koomey-ren legeak aurreikusten du: "... karga informatiko finko batean, behar duzun bateria-kopurua bi aldiz jaitsiko da urte eta erdiro". Hori dela eta, ordenagailuen energia-kontsumo elektronikoa edo energia-eraginkortasuna bikoiztu egiten da gutxi gorabehera 18 hilabetez behin. Beraz, joera eta aldaketa hauek guztiak seinalatzen eta agerian jartzen ari direnak informatikaren etorkizuna da.

Informatikaren etorkizuna

Historiako garai batera iritsi gara, non informatika birdefinitu behar dugun, duela zenbait hamarkada aurreikusitako joerak eta legeak jada ez baitira aplikagarriak. Gainera, informatikak eskala nano eta kuantikoetara bultzatzen duen heinean, muga fisiko eta erronkak agerikoak dira. Beharbada, superkonputazio saiakerarik nabarmenenak, konputazio kuantikoak, konputazio paralelorako korapilatze kuantikoa benetan aprobetxatzeko erronka nabaria du, hau da, dekoherentzia kuantikoa baino lehen konputazioak egitea. Hala ere, konputazio kuantikoaren erronkak gorabehera, aurrerapen handia izan da azken hamarkadetan. Konputazio kuantikoan aplikatutako John von Neumann konputagailuen arkitektura tradizionalaren ereduak aurki daitezke. Baina bada (super)konputazioaren beste eremu ez hain ezaguna, konputazio neuromorfikoa deritzona, Von Neumann arkitektura tradizionalari jarraitzen ez duena. 

Caltech-eko irakasle Carver Mead-ek 1990ean egin zuen lan funtsezkoan aurreikusi zuen konputazio neuromorfikoa.  Funtsean, konputazio neuromorfikoaren printzipioak ekintza-printzipio biologiko teorizatuetan oinarritzen dira, giza garunak konputazioan erabiltzen dituenak bezala. Konputazio-teoria neuromorfikoaren eta Von Neumann-en teoria klasikoaren arteko bereizketa zehatza Don Monroe-ren artikulu batean laburbildu zen. Informatika Makineria Elkartea aldizkaria. Honela dio adierazpenak: “Von Neumann arkitektura tradizionalean, nukleo logiko indartsu batek (edo paraleloan hainbat) sekuentzialki funtzionatzen du memoriatik jasotako datuekin. Aitzitik, konputazio "neuromorfikoak" konputazioa eta memoria banatzen ditu "neurona" nahiko primitiboen artean, bakoitza beste ehunka edo milaka neuronekin komunikatzen baita "sinapsien" bidez".  

Informatika neuromorfikoaren beste ezaugarri nagusi batzuk akatsen intolerantzia dira, giza garunak neuronak galtzeko eta oraindik funtzionatzeko duen gaitasuna modelatzea helburu duena. Era berean, konputazio tradizionalean transistore baten galerak funtzionamendu egokian eragiten du. Konputazio neuromorfikoaren beste abantaila bat programatu beharrik ez dagoela da; azken helburu hori berriro giza garunak ikasteko, erantzuteko eta seinaleetara egokitzeko duen gaitasuna modelatzea da. Horrela, konputazio neuromorfikoa da gaur egun ikaskuntza automatikoko eta adimen artifizialaren zereginetarako hautagairik onena. 

Superkonputazio neuromorfikoaren aurrerapenak

Artikulu honen gainontzekoak superkonputazio neuromorfikoaren aurrerapenetan sakonduko du. Zehazki, Alexander Tait et.-en Arxiv-i buruzko ikerketa argitaratu berri du. al. Princeton Unibertsitateak erakusten du silizioan oinarritutako neurona-sare fotonikoaren eredu batek ia 2000 aldiz gainditzen duela ohiko informatika-ikuspegia. Informatika-plataforma fotoniko neuromorfiko honek informazioa prozesatzeko ultraazkarra ekar dezake. 

Tait et. al. izenburuko papera Silizio Neuromorfoaren Fotonika Erradiazio elektromagnetikoko argi fotonikoaren forma konputaziorako erabiltzearen alde onak eta txarrak deskribatzen hasten da. Artikuluaren hasierako puntu nagusiak argia oso erabilia izan dela informazioa transmititzeko, baina ez informazioa eraldatzeko, hau da, konputazio optiko digitala egiteko. Era berean, konputazio kuantikoan, oinarrizko erronka fisikoak daude konputazio optiko digitalak. Artikulua, ondoren, lehenago proposatutako Tait et. izeneko konputazio fotoniko neuromorfikoko plataforma baten xehetasunetan sartzen da. al. 2014an argitaratutako taldea, izenburupean Emisioa eta pisua: piku fotonikoen prozesamendu eskalagarrirako sare integratua. Beraien lan berriagoak sare neuronal fotoniko integratuaren lehen froga esperimentalaren emaitzak deskribatzen ditu. 

"Igorpen eta pisua" konputazio-arkitekturan, "nodoei" "uhin-luzera-eramaile" bakarra esleitzen zaie, "uhin-luzera zatiketa multiplexatua (WDM)" dena eta gero beste "nodoetara" igortzen dute. Arkitektura honetako "nodoek" neuronen portaera simulatu nahi dute giza garunean. Ondoren, "WDM" seinaleak "microring (MRR) pisu-bankuak" izeneko etengabeko balio-iragazkien bidez prozesatzen dira eta, ondoren, elektrikoki batzen dira neurtutako potentzia totalaren detektatzeko balio batean. Azken transformazio/konputazio elektrooptiko honen ez-linealtasuna neuronaren funtzionaltasuna imitatzeko beharrezkoa den ez-linealtasuna da, printzipio neuromorfikoen arabera konputatzeko ezinbestekoa. 

Artikuluan, esperimentalki egiaztatutako eraldaketa elektro-optikoko dinamika hauek matematikoki "2-nodoko denbora etengabeko sare neuronal errecurrente" (CTRNN) eredu baten berdinak direla eztabaidatzen dute. Emaitza aitzindari hauek CTRNN ereduetarako erabili diren programazio tresnak silizioan oinarritutako plataforma neuromorfikoetan aplika daitezkeela iradokitzen dute. Aurkikuntza honek CTRNN metodologia silizio fotonika neuromorfikora egokitzeko bidea irekitzen du. Euren paperean, halako eredu egokitzapena egiten dute euren "difusio eta pisu" arkitekturara. Emaitzek erakusten dute beren 49 nodoko arkitekturan simulatutako CTRNN ereduak konputazio-arkitektura neuromorfikoa ematen duela konputazio-eredu klasikoak 3 magnitude-ordenarekin gainditzeko.